¬°Hub de contenido!
Acceso a contenido educativo gratis.
Comience a aprender

Cómo aplicar el aprendizaje automático industrial

Comprender los diferentes tipos de aprendizaje automático, los algoritmos que los respaldan y cómo aplicarlos es fundamental para el éxito de las implementaciones.

El mantenimiento predictivo es la principal aplicación para el aprendizaje automático en la actualidad, seguido de cerca por el
El mantenimiento predictivo es la principal aplicación para el aprendizaje automático en la actualidad, seguido de cerca por el control de calidad, el pronóstico de la demanda y la capacitación de robots.

El concepto de aprendizaje autom√°tico se est√° entendiendo cada vez mejor, a medida que interactuamos con √©l de manera m√°s cotidiana. Desde las recomendaciones de Netflix y Amazon, pasando por el reconocimiento de voz de Siri y Cortana, hasta los c√°lculos de tiempo de viaje de Google Maps, cada vez nos familiarizamos m√°s con las tecnolog√≠as de aprendizaje autom√°tico, incluso si a√ļn no nos damos cuenta de su presencia.

Sin embargo, la aplicaci√≥n del aprendizaje autom√°tico en la industria es otra historia. Aunque varias compa√Ī√≠as lo est√°n haciendo, no es tan omnipresente como las aplicaciones orientadas al consumidor mencionadas anteriormente. Y eso fue lo que hizo tan interesante la presentaci√≥n de Kathy Applebaum y Kevin McClusky sobre la Automatizaci√≥n Inductiva durante la Conferencia de la Comunidad Ignition 2018. En esta presentaci√≥n se explicaron las principales ramas del aprendizaje autom√°tico, los diferentes tipos de algoritmos aplicados en el aprendizaje autom√°tico y, lo que es m√°s importante, los pasos que los usuarios industriales pueden dar para empezar a utilizarlo en sus instalaciones.

En cuanto al estado actual del uso del aprendizaje automático en la industria, Applebaum dijo que el mantenimiento predictivo es la principal aplicación de la tecnología, seguida de cerca por el control de calidad, el pronóstico de la demanda y la capacitación de robots.

Applebaum (izquierda) y McClusky durante la presentación de aprendizaje automático en la Conferencia de Ignition Community 2Applebaum (izquierda) y McClusky durante la presentación de aprendizaje automático en la Conferencia de Ignition Community 2018 de Inductive Automation

Dado el claro y creciente inter√©s en el aprendizaje autom√°tico para aplicaciones industriales, McClusky se√Īal√≥ que el software de Ignition de Inductive Automation puede utilizase ahora en este campo. Con el lanzamiento de Ignition 7.9.8 el pasado mes de mayo, las bibliotecas de Ignition contienen ahora algoritmos de aprendizaje autom√°tico que "cubren una variedad de casos de uso", dijo McClusky.

Tipos de aprendizaje autom√°ticoApplebaum se√Īal√≥ que primero es importante entender que existen tres tipos principales de tecnolog√≠a a los que se hace referencia cuando se habla de aprendizaje autom√°tico, y que no faltan los argumentos sobre la superposici√≥n entre estos tres. Los tres tipos son:

  • Anal√≠tico- "Este es el descubrimiento de conocimiento", dijo ella. "Probablemente ya estemos realizando an√°lisis descriptivos (por ejemplo, ejecutando informes desde bases de datos). El an√°lisis diagn√≥stico a√Īade un componente de "por qu√©" a la anal√≠tica descriptiva para identificar la causa del problema (por ejemplo, por qu√© se descompuso la m√°quina). El an√°lisis predictivo examina lo que podr√≠a suceder en el futuro y no suele ser muy espec√≠fico, pero se basa en lo que ha sucedido antes. Finalmente, la anal√≠tica prescriptiva se basa en el an√°lisis predictivo, recomendando un pr√≥ximo paso para abordar el problema".
  • El aprendizaje autom√°tico en s√≠ mismo se refiere al uso automatizado de datos para aprender y mejorar a partir de la experiencia.
  • La inteligencia artificial: "La componen tareas[computacionales] que simulan la inteligencia humana", dijo Applebaum.

AlgoritmosPara ilustrar c√≥mo funcionan los diferentes algoritmos para ofrecer aprendizaje autom√°tico en cualquiera de sus tres variantes, McClusky comenz√≥ mostrando c√≥mo la aplicaci√≥n de aprendizaje autom√°tico de Ignition puede utilizarse para agrupar varios puntos de datos. Para esta demostraci√≥n utiliz√≥ mediciones de datos de calidad de aspectos individuales de un proceso de producci√≥n (tales como la temperatura y la humedad). Mostrando estos datos en un gr√°fico de Ignition, McClusky explic√≥ c√≥mo un usuario puede ver los datos de m√ļltiples aspectos en el espacio 2D. "EL software Ignition categoriza sobre la marcha los datos entrantes de los sensores para su uso en las comparaciones gr√°ficas, de modo que se puede ver c√≥mo act√ļa cada grupo [de datos] al realizar comparaci√≥n entre s√≠", dijo.

El algoritmo de aprendizaje automático empleado por McClusky en este ejemplo se conoce como una mina K (que agrupa puntos de datos). "Las minas K no saben lo que representan las categorías, solo calculan centros averiguando dónde está cada punto de datos y qué tan lejos se encuentran", explicó. Esta capacidad hace que las minas k sea buenas en la categorización de datos para el análisis de defectos. Por ejemplo, a medida que una nueva pieza pasa [por producción], se pueden utilizar sus datos para ver si encaja en los parámetros establecidos de 'buena calidad' y determinar si la pieza se acepta o requiere un análisis más profundo.

Otro tipo de algoritmo de aprendizaje autom√°tico se conoce como √Ārbol de decisi√≥n. Este algoritmo es "muy potente", dijo Applebaum, "ya que puede llevarnos paso a paso a determinar categor√≠as o f√≥rmulas" para los datos. Los √°rboles de decisi√≥n son √ļtiles para el mantenimiento predictivo porque se pueden utilizar para ver la manera como se tomaron las decisiones. Adem√°s, pueden utilizarse junto con otros algoritmos.

El an√°lisis de regresi√≥n es un algoritmo de aprendizaje autom√°tico que puede utilizarse para el ajuste de procesos y los pron√≥sticos de producci√≥n. "Para el ajuste del proceso, el uso de un an√°lisis de regresi√≥n puede tomar un proceso manual y hacer que el sistema genere puntos de ajuste recomendados [para aplicaci√≥n manual] o hacer que los puntos de ajuste vayan directamente al PLC", dijo McClusky. "Incluso puede usarse esto para el control avanzado del proceso de ajuste que se est√© ejecutando." A√Īadi√≥ que el an√°lisis de regresi√≥n puede utilizarse para el pron√≥stico de la producci√≥n basado en un conjunto actual de variables (es decir, cualquier punto de datos) para determinar, por ejemplo, lo que se producir√° en una sola l√≠nea, o en general al final de un turno. "Tambi√©n se pueden hacer proyecciones a largo plazo basadas en experiencias pasadas para todas las variables, tales como: de qu√© manera se ver√° la producci√≥n dentro de una semana o un mes. Incluso puede introducir variables de otros sistemas, como SAP. Para el aprendizaje autom√°tico [aplicaciones de an√°lisis de regresi√≥n], cuantas m√°s variables se utilicen, mejores ser√°n los resultados, siempre y cuando, para empezar, los datos sean buenos", se√Īal√≥.

Los algoritmos de la red neuronal simulan la forma en que pensamos que funcionan nuestros cerebros, dijo Applebaum. Una de las formas en que las redes neuronales se utilizan com√ļnmente en la industria son los sistemas de visi√≥n. Con las redes neuronales, se pueden ver elementos espec√≠ficos en l√≠neas o procesos y usar sensores existentes para inferir datos [de esas √°reas] que permitan simplificar los procesos".

Al referirse a una aplicaci√≥n de aprendizaje autom√°tico de sistemas de visi√≥n usando Ignition en Frito Lay, McClusky dijo que la compa√Ī√≠a la aplic√≥ a un √°rea de una l√≠nea donde se encontraba una b√°scula para pesar las papas. Frito Lay quer√≠a utilizar el sistema de visi√≥n para determinar la densidad de las papas en la l√≠nea, de modo que los tiempos de cocci√≥n se pudieran ajustar en consecuencia para cada lote. Pudieron hacerlo con √©xito, lo que les permiti√≥ eliminar el descarte de una porci√≥n de papas por razones de su peso.

Independientemente del tipo de aplicación de aprendizaje automático que se planee utilizar o del algoritmo que se busque aplicar, se requiere contar con buenos datos desde el principio, lo que significa que es necesario tener una estrategia para encontrar los datos correctos y manejarlos de modo que pueda haber seguridad sobre su calidad. "Hay que utilizar estadísticas para tomar muestras de los datos y poder saber si son buenos", dijo McClusky. "Es necesario conocer todo el universo de lo que se está manejando para poder alcanzar buenos resultados. Por lo tanto, no se pueden tomar los datos de los registros históricos por sí solos; hay que tener en cuenta las técnicas de muestreo y la correlación frente a la causalidad. Luego, se debe considerar qué tan buenos son los resultados. Aquí es donde el conocimiento del dominio y de los procesos es importante. Los expertos de los dominios, no los científicos de los datos, saben qué tipo de datos son prometedores y cuándo los resultados no tienen sentido".

ImplementaciónCon una buena comprensión de los tipos de aprendizaje automático y los algoritmos que los respaldan, el siguiente paso es comenzar a pensar en las aplicaciones. Applebaum describió los siguientes cinco pasos para lograr el éxito en la implementación del aprendizaje automatizado: identificar el problema o problemas que desea abordar, recopilar los datos, crear el modelo, implementarlo y supervisar su éxito.

Para identificar el problema, Applebaum afirma que es mejor elegir una pregunta que desee responderse, es decir, si se desea mejorar un proceso específico, disminuir los defectos, etc. Al hacer esto, debe tenerse cuidado con la decisión de alto valor frente a la decisión fácil, advierte. Ella aconseja: "Empezar con una implementación fácil, porque los proyectos de alto valor pueden ser un punto de partida difícil".

Dicho esto, Applebaum subray√≥ que sigue siendo importante, incluso con proyectos "f√°ciles" de aprendizaje autom√°tico, garantizar que se obtenga alg√ļn valor y que no se trate de un proyecto que exista √ļnicamente para demostrar la tecnolog√≠a. "Hay que comprender la funci√≥n del costo, la diferencia entre la predicci√≥n y los resultados reales, con base en lo que se est√° tratando de hacer".

Esta es otra √°rea en la que el conocimiento del dominio puede jugar un papel importante en las aplicaciones de aprendizaje autom√°tico en t√©rminos de selecci√≥n de datos √ļtiles para el proyecto, adquisici√≥n de datos faltantes, aseguramiento de la entrada de datos de calidad e identificaci√≥n de variables dependientes, es decir, puntos de datos que est√°n vinculados entre s√≠, como la temperatura y la hora del d√≠a.

McClusky agregó que, al implementar un proyecto de aprendizaje automático, hay que asegurarse de usar un proceso de extracción, transformación y carga (ETL en inglés) para adquirir los datos en lugar de la base misma de datos de producción. Hay que automatizar el proceso de adquisición de datos [con un ETL] para que los datos se adquieran y se depuren, y se manejen automáticamente los valores que faltan.

Luego, se comienzan a visualizar los datos de Ignition para ayudar a comprenderlos, de modo que pueda verse qu√© tipo de algoritmo desea aplicarse, aconsej√≥ Applebaum. "Y no tengan miedo de probar m√°s de uno [algoritmo]". A√Īadi√≥ que Ignition ofrece minas K, esc√°neres de bases de datos, redes neuronales y regresiones simples; Amazon Web Services, Microsoft Azure y Google Cloud ofrecen otras herramientas para un an√°lisis m√°s profundo.

"Mucha gente intenta economizar en este proceso de pruebas", se√Īal√≥ Applebaum, "pero no lo hagan. Aseg√ļrense de que sus modelos realmente predigan cosas que no han visto antes. Vuelvan atr√°s y prueben de nuevo las veces que sea necesario hasta obtener un modelo √ļtil. Es mejor pasar tiempo haci√©ndolo para que quede bien en lugar de tener que arreglar problemas m√°s tarde".